• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于MD-CGAN的腦部腫瘤圖像生成方法研究

    2022-11-14 07:17:50何敏邱圓易小平郭暢宇
    湖南大學學報·自然科學版 2022年8期
    關鍵詞:生成對抗網(wǎng)絡深度學習

    何敏 邱圓 易小平 郭暢宇

    摘要:深度學習已廣泛用于腦部磁共振(MR)圖像分析中,但腦部腫瘤MR圖像樣本不足會嚴重影響深度學習模型的性能.提出基于多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(MD-CGAN)的樣本生成方法.利用所提出的MD-CGAN生成腦部腫瘤病理區(qū)域圖像,將生成的腦部腫瘤病理區(qū)域圖像覆蓋腦部正常圖像子區(qū)域,合成得到腦部腫瘤MR圖像.MD-CGAN引入的雙對抗損失避免了模型崩塌問題的產(chǎn)生,引入的循環(huán)一致性損失函數(shù)可以保證腦部正常子區(qū)域圖像生成腦部腫瘤病理區(qū)域圖像,從而使得MD-CGAN生成的圖像具有高質量和多樣性.以FID值作為評價指標,利用本文提出的MD-CGAN與近幾年較經(jīng)典的生成網(wǎng)絡生成腦部腫瘤病理區(qū)域圖像并計算FID值.實驗結果表明,本文所提出網(wǎng)絡的FID值比SAGAN、StyleGAN和Style- GAN2的值分別低26.43%、21.91%、12.78%.為進一步驗證本文方法的有效性,利用生成的腦部腫瘤圖像擴充樣本,并依托擴充前后的樣本集進行腦部腫瘤分割網(wǎng)絡訓練.實驗表明,樣本擴充后的分割網(wǎng)絡性能更優(yōu)異.本文方法生成的腦部腫瘤MR圖像質量高、多樣性強,這些樣本可代替真實樣本參與模型的訓練,從而有效解決腦部腫瘤MR圖像訓練樣本不足的問題.

    關鍵詞:深度學習;磁共振圖像;樣本擴充;生成對抗網(wǎng)絡

    中圖分類號:TP391文獻標志碼:A

    Research on Brain Tumor Image Generation Method Based on MD-CGAN

    HE Min1,QIU Yuan1,YI Xiaoping2,GUO Changyu1

    (1. College of Electrical and Information Engineering,Hunan University,Changsha 410082,China;2. Xiangya Hospital of Central South University,Changsha 410031,China)

    Abstract:The samples are insufficient due to the difficulty of obtaining real brain tumor MR images,which seriously affects the performance of deep learning models. Therefore,a sample generation method based on the Multiple Discriminator Cycle-consistent Generative Adversarial Network (MD-CGAN)is proposed in this paper. Firstly,the MD-CGAN model is used to generate brain tumor pathological region images,and then these pathological region images are overlaid with the normal sub-regions of brain images to synthesize brain tumor MR images. Among them,the double adversarial loss introduced by MD-CGAN avoids the problem of model collapse,and the cycle consistency loss function introduced can ensure that the normal brain sub-region images generate the pathological region imagesof brain tumors,so that the images generated by MD-CGAN have high quality and diversity. Taking the Frechet Inception Distance(FID)as the evaluation index,the MD-CGAN proposed in this paper and the more classic generative networks in recent years are used to generate the images of brain tumor pathological regions and calculate the FID value. The experimental results show that the FID of our MD-CGAN is 26.43%,21.91%,and 12.78% lower than those of SAGAN,StyleGAN,and StyleGAN2,respectively. To further demonstrate the effectiveness of our proposed method,we use the generated brain tumor images to expand the training set and then train the segmentation models on this expanded dataset. The experimental results show that the performance of segmentation networks trained on the expanded dataset is better. Based on the above experimental results,it can be concluded that the brain tumor MR images generated by our proposed method have high quality and rich diversity. These samples can be used to expand the training set and effectively solve the problem that brain tumor MR images are insufficient.

    Key words:deep learning;magnetic resonance imaging;sample expansion;Generative Adversarial Networks (GAN)

    腦腫瘤是一種常見的腦部疾病,發(fā)病率及死亡率均較高,嚴重威脅著人類的健康.目前,對于腦腫瘤的診斷,主要還是依靠醫(yī)生對腦部磁共振(Magnetic Resonance,MR)圖像進行分析來完成,需要耗費大量的時間、精力,且易受主觀因素影響.

    近年來,隨著深度學習理論的發(fā)展,人工智能輔助的醫(yī)學圖像識別診斷技術在醫(yī)學領域得以應用,因此,采用深度學習輔助的診斷技術來進行腦腫瘤診斷的方法也引起了廣泛的關注.然而,基于醫(yī)學圖像隱私保護的特點,患者腦腫瘤圖像獲取難度大,導致樣本數(shù)量嚴重不足,影響深度學習模型對腦腫瘤圖像輔助診斷的效果[1].為解決腦腫瘤圖像樣本不足的問題,行之有效的方法是生成病理圖像進行樣本擴充[2].因此,研究圖像生成方法,生成高質量、豐富多樣性的腦腫瘤醫(yī)學圖像具有十分重要的意義.

    目前,用于圖像生成的方法主要包括兩大類:一是傳統(tǒng)方法,如旋轉、平移、翻轉等.在本質上并未對圖像核心內容進行改變且生成的圖像高度類似,容易使深度學習模型過擬合,該類方法并不適用于對醫(yī)學圖像進行擴充.二是基于深度學習的方法,如變分自編碼器(Variational Auto-Encoder,VAE)6和Goodfellow等人提出的生成對抗網(wǎng)絡(Generative Adversarial Networks,GAN)[4].VAE是一種將輸入的隨機噪聲映射為生成數(shù)據(jù)的圖像生成模型,主要由編碼器和解碼器組成.由于VAE生成的圖像與原圖的分布較接近,樣式比較單一且質量不高,因此,該模型也不適用于對醫(yī)學圖像進行擴充.GAN是近幾年應用廣泛的圖像生成模型,由一個生成器和一個判別器組成,生成器生成新的圖像,判別器判別生成圖像的真(真實的)假(生成的),兩者通過相互博弈不斷提高各自的能力,從而達到一種均衡狀態(tài).然而,GAN在訓練過程中存在模型易崩塌,難以收斂等問題,這會導致生成的圖像質量差且多樣性不足.為了解決這些問題,近年來,GAN的一些變體GANs被提出.Radford等人[5]提出深度卷積生成對抗網(wǎng)絡(Deep Convolutional Generative Adversarial Networks,DCGAN),加入了卷積層來代替全連接層,用以增強訓練過程的穩(wěn)定性,但是這種方法不能從根本上解決模型不穩(wěn)定的問題,生成器G和判別器D仍然較難達到平衡狀態(tài).Zhu等人[6]提出循環(huán)生成對抗網(wǎng)絡(Cycle-consistent Generative Adversarial Networks,CycleGAN),能將一個圖像域轉換生成到另外一個圖像域,但這種轉換通常是不穩(wěn)定的.Nguyen等人[7]提出的雙鑒別器生成對抗網(wǎng)絡(Dual Discriminator Generative Adversarial Networks,D2GAN)有兩個鑒別器,這兩個鑒別器仍然與一個生成器進行極大極小的博弈,一個鑒別器會給予真實圖像高分數(shù),而另外一個鑒別器卻給予生成圖像高分數(shù),在一定程度上提高了生成圖像的多樣性.Zhang等人[8]提出的自注意力生成對抗網(wǎng)絡(Self-Attention Generative Adversarial Networks,SAGAN)將自注意力層加入生成器和鑒別器中,使得生成模型更易學習到圖像全局特征之間的依賴關系,提高生成圖像的多樣性,但其計算負擔較大.Karras等人提出的StyleGAN[9]重新設計了生成器的網(wǎng)絡結構,但由于生成的圖像伴有偽影,故在2020年又提出了StyleGAN2[10],用于人臉圖像生成效果優(yōu)異.上述GANs雖在自然場景圖像和人臉圖像生成中表現(xiàn)良好,但面對樣本嚴重不足,且病理區(qū)域形狀、大小、位置等復雜多變的腦腫瘤病理圖像,其生成效果難以滿足醫(yī)學圖像智能診斷的需求.

    基于上述問題,本文提出多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(Multiple Discriminator Cycle-consistent Generative Adversarial Network,MD-CGAN)生成腦腫瘤病理區(qū)域圖像,而后將其與腦部正常圖像合成即可得到腦部腫瘤圖像,從而解決腦腫瘤圖像樣本不足的問題.實驗結果證明了所提方法的有效性和可靠性.

    1腦腫瘤圖像生成方法

    1.1腦腫瘤圖像生成方法流程框架

    基于MD-CGAN的腦腫瘤圖像生成方法框圖如圖1所示.

    1)腦腫瘤病理區(qū)域圖像生成:通過MD-CGAN 將腦部正常圖像子區(qū)域轉換生成腦腫瘤病理區(qū)域圖像.

    2)腦腫瘤圖像合成:利用所生成的腦腫瘤病理區(qū)域圖像覆蓋腦部正常圖像中的子區(qū)域,合成得到腦腫瘤圖像.

    1.2腫瘤病理區(qū)域圖像生成

    為了生成腦腫瘤圖像,首先利用MD-CGAN生成腦腫瘤病理區(qū)域圖像.MD-CGAN結構包括2個生成器G和F,4個鑒別器DX1、DX2、DY1和DY2,2個生成器共享相同的網(wǎng)絡參數(shù),4個鑒別器共享相同的網(wǎng)絡參數(shù).MD-CGAN結構如圖2所示,生成器和鑒別器的網(wǎng)絡參數(shù)配置如表1所示.

    生成器G用來生成假的腦腫瘤病理區(qū)域圖G(g),生成器F用來生成假的腦部正常圖像子區(qū)域F(b).鑒別器DX1和DX2用來區(qū)分腦部正常圖像子區(qū)域圖像的真假,鑒別器DY1和DY2用來區(qū)分腦腫瘤病理區(qū)域圖像的真假.特別地,鑒別器DX1和DY1給予真實圖像高分數(shù),對于生成圖像則給予低分數(shù);而鑒別器DX2和DY2則恰恰相反.

    所提圖像生成模型目標函數(shù)包括雙對抗損失(Dual Adversarial Loss)[7]函數(shù)和循環(huán)一致性損失(Cycle Consistency Loss)[6]函數(shù).

    1)對于生成器G,鑒別器DY1和DY2,雙對抗損失可表示為:

    Ldual(G;DY1;DY2;g;b)=Lgan(G;DY1;g;b)+λ1Lgan2(G;DY2;g;b)(1)

    式中:g代表真實正常區(qū)域子圖像域;b代表真實病理區(qū)域圖像域;λ1用來控制圖像間相似度和多樣性的相對重要性;Lgan與原始GAN網(wǎng)絡目標函數(shù)相同.Lgan2定義如下:

    相似地,對于生成器F,鑒別器DX1和DX2,可得雙對抗損失函數(shù)為:

    Ldual(F;DX1;DX2;b;g)=Lgan(F;DX1;b;g)+λ1Lgan2(F;DX2;b;g)(3)

    2)循環(huán)一致性損失主要用于保證通過正常區(qū)域圖像來生成病理區(qū)域圖像.定義如下:

    這里,對于生成器G,損失函數(shù)希望生成圖像G(g)的重建圖像F(G(g))接近于真實腦部正常圖像子區(qū)域圖像g.而對于生成器F,則希望生成圖像F(b)的重建圖像G(F(b))接近真實腦腫瘤病理區(qū)域圖像b.

    需要特別說明的是,雙對抗損失結合了KL散度和反向KL散度的差異,生成一個目標函數(shù);然后利用這些分支的互補統(tǒng)計特性捕捉分散預估密度,使得模型達到納什平衡,從而避免了模型崩塌,保證網(wǎng)絡生成的腦腫瘤病理區(qū)域圖像的質量和多樣性.循環(huán)一致性損失可以保證兩個領域的圖像建立一個一對一的映射,而不是多對一的映射.通過這種方式,所提出的生成模型可以更全面地學習到腦腫瘤的特征.同時,無腫瘤的腦部正常子區(qū)域圖像可以被逐一映射為有腫瘤的腦腫瘤病理區(qū)域圖像.因此,循環(huán)一致性損失使得MD-CGAN能夠利用無腫瘤的腦部正常圖像子區(qū)域生成有腫瘤的腦腫瘤病理區(qū)域圖像.

    3)依據(jù)前述內容,所提生成網(wǎng)絡模型(MDCGAN)的總體目標損失函數(shù)如下:

    LMD-CGAN=Ldual(G;DY1;DY2;g;b)+Ldual(F;DX1;DX2;b;g)+λLcyc(G,F(xiàn))

    式中:λ用來控制雙對抗損失和循環(huán)一致性損失的相對重要性.最終優(yōu)化實現(xiàn)目標見式(6).

    本網(wǎng)絡模型類似于原始GAN,采用折中訓練的方式來更新G、DY1和DY2以及F、DX1和DX2.

    1.3腦腫瘤圖像合成

    通過MD-CGAN模型生成得到腦腫瘤病理區(qū)域圖像后,腦腫瘤圖像可以通過以下步驟得到.

    1)將生成的腦腫瘤病理區(qū)域圖像中腫瘤部分截取成新的圖像,創(chuàng)建截取的腦腫瘤病理區(qū)域圖像和腦部正常圖像數(shù)據(jù)集.

    2)依據(jù)圖像邊緣紋理特征的相似性,將截取的腦腫瘤病理區(qū)域圖像與腦部正常圖像標記匹配.

    3)利用截取的腦腫瘤病理區(qū)域圖像覆蓋與其所匹配的腦部正常圖像的子區(qū)域,從而合成得到腦腫瘤圖像.

    2實驗結果與分析

    2.1實驗數(shù)據(jù)

    本文的腦部MR圖像數(shù)據(jù)樣本來自中南大學湘雅醫(yī)院.數(shù)據(jù)通過磁共振成像儀采集自122位高級別膠質瘤病人,每位病人的數(shù)據(jù)包括T1、T1加權和T2模態(tài),包含腦部腫瘤圖像和正常腦部圖像.在進行實驗之前,對所持的腦部MR圖像數(shù)據(jù)進行偏置場校正以及標準化等預處理.

    獲取的腦部MR圖像數(shù)據(jù)集樣本包含腦部腫瘤圖像和正常圖像,其中,腦部正常圖像約7 000 張,含腫瘤的腦部腫瘤圖像約800張,經(jīng)篩選后選其中的1 000張腦部正常圖像和500張腦腫瘤圖像作為實驗數(shù)據(jù),并對500張腦腫瘤圖像進行手工分割標簽(Ground Truth)制作.部分圖像樣本示例如圖3所示.圖3(a)為含有腫瘤的腦部病理圖像樣本,圖3(b)為腦部正常圖像樣本.

    2.2腦腫瘤病理區(qū)域圖像生成及實驗對比

    1)本文實驗環(huán)境配置為Ubuntu16.04操作系統(tǒng),NVIDIA RTX 2080Ti GPU,Intel Core i7-7820X CPU@ 3.50 GHzX12,Python 3.7,TensorFlow 1.14.0.

    對于所提圖像生成模型MD-CGAN的訓練,將λ設置為10,λ1設置為0.2,優(yōu)化器采用Adam[11],Batchsize設置為4.總的訓練周期為300 epochs,其中,對于前150 epochs,學習率為0.000 2,在后150 epochs 中,學習率按照線性衰減逐漸衰減為0.

    2)腦腫瘤圖像生成結果:圖4為MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像和合成的腦腫瘤圖像.由圖4可知,所生成的圖像具有良好的質量和豐富的多樣性.同時,生成的腦腫瘤圖像與真實腦腫瘤圖像具有高度相似性.因此,本文所提方法對于腦腫瘤圖像生成具有良好的性能.

    3)不同圖像生成方法對比:腦腫瘤病理區(qū)域圖像生成是本文所提腦腫瘤圖像生成方法的核心.因此,將本文所提腦腫瘤病理區(qū)域圖像生成模型MD- CGAN與近幾年典型的圖像生成模型SAGAN、Style- GAN和StyleGAN2進行對比,即分別用MD-CGAN、SAGAN、StyleGAN和StyleGAN2網(wǎng)絡模型生成腦腫瘤病理區(qū)域圖像,以驗證MD-CGAN模型的有效性和優(yōu)越性.圖5為SAGAN、StyleGAN、StyleGAN2和MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像.

    由圖5(a)可知,SAGAN模型生成的腦腫瘤病理區(qū)域的形狀等特征較類似,且圖像質量不高.由圖5(b)可知,StyleGAN模型生成的腦腫瘤病理區(qū)域圖像伴有偽影,不符合真實腦腫瘤病理區(qū)域圖像的特征分布.由圖5(c)可知,StyleGAN2模型生成的腦腫瘤病理區(qū)域圖像邊界不夠清晰.由圖5(d)可知,MD- CGAN模型生成的腦腫瘤病理區(qū)域圖像清晰且形態(tài)各異.由此可知,本文提出的MD-CGAN模型生成的腦腫瘤病理區(qū)域圖像具有更高的質量和豐富的多樣性.

    為了進一步證明本文所提圖像生成模型的優(yōu)越性,采用Frechet Inception Distance (FID)[12]作為定量分析的評價指標.

    式中:μr、μg和∑r、∑g分別表示真實和生成的病理圖像的特征均值和方差.即用真實圖像與生成圖像提取特征向量后的均值和協(xié)方差的距離來評價,當生成圖片和真實圖片特征越相近時,均值之差的平方越小,協(xié)方差也越小,則FID值也越小,生成的圖像質量越高.

    表2為不同模型生成的病理區(qū)域圖像FID值對比.由表2可知,本文所提MD-CGAN模型圖像生成模型取得了最小的FID值,生成的腦腫瘤區(qū)域圖像的FID值相比于SAGAN、StyleGAN和StyleGAN2的值分別降低26.43%、21.91%、12.78%.由此可知,本文所提模型MD-CGAN性能更優(yōu)異.

    本文所提模型有效結合了雙對抗損失和循環(huán)一致性損失,雙對抗損失有效抑制了腦腫瘤病理區(qū)域圖像生成模型的崩塌問題,確保生成圖像的質量;循環(huán)一致性損失確保了利用腦部正常圖像子區(qū)域生成腦腫瘤病理區(qū)域圖像的可能性和可靠性,解決了腦腫瘤圖像樣本不充足的問題.

    2.3生成的腦腫瘤病理圖像用于樣本擴充

    為了進一步驗證本文所提腦腫瘤圖像生成方法的有效性,采用生成的腦部腫瘤圖像對原始數(shù)據(jù)集進行擴充,利用擴充前后的數(shù)據(jù)集分別訓練腦部腫瘤分割網(wǎng)絡模型,以驗證生成的圖像對模型性能的改善作用.采用U-Net[13]、ResUNet[14]、U-Net++[15]分割網(wǎng)絡進行腦部腫瘤分割實驗,先用原始的300張腦部腫瘤圖像訓練這3種分割網(wǎng)絡;而后將生成的328張腦腫瘤圖像加入原始數(shù)據(jù)集中,并用擴充后的數(shù)據(jù)集訓練這3種分割網(wǎng)絡;最后分別用相同的200 張原始腦腫瘤圖像進行分割性能測試,以Dice相似性系數(shù)(Dice Similarity Coefficient,DSC)和相對改善率(Relative Improvement,IMP)作為評價指標.表3 為用于分割實驗的腦部腫瘤圖像樣本分布,表4和表5分別為樣本擴充前后腦部腫瘤分割性能訓練結果和測試結果對比.

    從表4可以看出,在樣本擴充后的數(shù)據(jù)集上訓練的U-Net分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高0.26%;在樣本擴充后的數(shù)據(jù)集上訓練的ResUNet分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高0.62%;在樣本擴充后的數(shù)據(jù)集上訓練的U-Net++分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的高3.77%.由表5可知,在樣本擴充后的數(shù)據(jù)集上測試的U-Net、ResUNet、U- Net++分割模型的Dice相似性系數(shù)比在樣本擴充前數(shù)據(jù)集上的精度分別高3.89%、17.88%、1.46%.

    從表4和表5可以看出,利用本文所提方法生成的腦部腫瘤圖像擴充數(shù)據(jù)集對分割模型的訓練和測試精度都具有改善作用,更有力地證明了本文所提腦腫瘤圖像生成方法的有效性,可用于腦腫瘤圖像數(shù)據(jù)樣本的擴充.

    3結論

    本文提出一種新的腦腫瘤圖像生成方法.首先,利用所提出的多鑒別器循環(huán)一致性生成對抗網(wǎng)絡(MD-CGAN)生成腦腫瘤病理區(qū)域圖像;然后利用生成的腦腫瘤病理區(qū)域圖像覆蓋腦部正常圖像中的子區(qū)域從而最終合成得到腦腫瘤圖像.將本文所提MD-CGAN模型與近幾年較經(jīng)典的SAGAN、Style- GAN和StyleGAN2模型所生成腦腫瘤病理區(qū)域圖像進行對比分析,通過計算得出MD-CGAN模型的FID值最低,證明了所提模型在保證模型穩(wěn)定性的同時,能夠生成高質量的腦腫瘤病理區(qū)域圖像.為了進一步驗證所生成的腦腫瘤圖像的有效性,進行了腦部腫瘤圖像分割實驗,分別用原始的和擴充數(shù)據(jù)樣本后的腦腫瘤圖像數(shù)據(jù)集進行腦部腫瘤分割.實驗結果表明,U-Net、ResUNet、U-Net++分割模型在擴充樣本后的訓練和測試分割結果Dice相似性系數(shù)都比擴充前的高,由此進一步證明本文所提方法生成的腦腫瘤圖像具有豐富的多樣性,能夠有效且可靠地擴充腦腫瘤圖像數(shù)據(jù)集.

    參考文獻

    [1] SHIN H C,TENENHOLTZ N A,ROGERS J K,et al. Medical image synthesis for data augmentation and anonymization using generative adversarial netwrorks [C]//International Workshop on Simulation and Synthesis in Medical Imaging. Granada:MICCAI,2018:1-11.

    [2] POKA K B,SZEMENYEI M. Data augmentation powered by generative adversarial networks [C]//2020 23rd International Symposium on Measurement and Control in Robotics (ISMCR). Budapest:IEEE,2020:1-5.

    [3] CHUQUICUSMA M J M,HUSSEIN S,BURT J,et al. How to fool radiologists with generative adversarial networks?a visual Turing test for lung cancer diagnosis[C]//2018 IEEE 15th International Symposium on Biomedical Imaging(ISBI 2018). Washington DC:IEEE,2018:240-244.

    [4]GOODFELLOWI,POUGET-ABADIEJ,MIRZAM,et al. Generative adversarial networks [EB/OL].(2014-06-10)[2021-12- 01]. https://arxiv.org/abs/1406.2661.

    [5] RADFORD A,METZ L,CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks [EB/OL].(2015-11-19)[2021-12-01]. https://arxiv.org/ abs/1511.06434v2.

    [6] ZHU J Y,PARK T,ISOLA P,et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C]//Proceedings of the IEEE International Conference on Computer Vision. NewYork:IEEE,2017:2223-2232.

    [7] NGUYEN T,LE T,VU H,et al. Dual discriminator generative adversarial nets [EB/OL].(2017-09-12)[2021-12-01]. https://arxiv.org/abs/1709.03831.

    [8] ZHANG H,GOODFELLOW I,METAXAS D,et al. Self-attention generative adversarial networks [C]//International conference on Machine Learning. Taiyuan:PMLR,2019:7354-7363.

    [9] KARRAS T,LAINE S,AILA T. A style-based generator architecture for generative adversarial networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach:IEEE,2019:4401-4410.

    [10] KARRAS T,LAINE S,AITTALA M,et al. Analyzing and improving the image quality of StyleGAN [C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Washington DC:IEEE,2020:8110-8119.

    [11] KINGMA D P,BA J. Adam:a method for stochastic optimization [EB/OL].(2014-12-22)[2021-12-01]. https://arxiv.org/abs/1412.6980.

    [12] BYNAGARI N B. GANs trained by a two time-scale update rule converge to a local nash equilibrium[J]. Asian Journal of Applied Science and Engineering,2019,8:25-34.

    [13] RONNEBERGER O,F(xiàn)ISCHER P,BROX T. U-net:convolutional networks for biomedical image segmentation [C]//International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich:MICCAI,2015:234-241.

    [14] DIAKOGIANNIS F I,WALDNER F,CACCETTA P,et al. ResUNet-a:a deep learning framework for semantic segmentation of remotely sensed data[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2020,162:94-114.

    [15] ZHOU Z W,SIDDIQUEE M M R,TAJBAKHSH N,et al. U- Net++:redesigning skip connections to exploit multiscale features in image segmentation[J]. IEEE Transactions on Medical Imaging,2020,39(6):1856-1867.

    猜你喜歡
    生成對抗網(wǎng)絡深度學習
    基于GAN的圖像超分辨率方法研究
    軟件導刊(2019年6期)2019-07-08 03:41:08
    基于生成對抗網(wǎng)絡的深度學習能耗預測算法
    基于深度卷積生成對抗網(wǎng)絡模型的超分辨數(shù)據(jù)重建
    基于生成對抗網(wǎng)絡的圖片風格遷移
    軟件導刊(2018年6期)2018-09-04 09:37:16
    基于生成對抗網(wǎng)絡的人臉灰度圖上色
    非真實感繪制技術的發(fā)展綜述
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    MOOC與翻轉課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    亚洲国产精品一区三区| videos熟女内射| 一本一本久久a久久精品综合妖精| 日韩欧美免费精品| 性少妇av在线| 99国产精品99久久久久| 久久久久久久国产电影| 岛国毛片在线播放| 久9热在线精品视频| 丰满迷人的少妇在线观看| 手机成人av网站| 女人高潮潮喷娇喘18禁视频| 日韩三级视频一区二区三区| 操出白浆在线播放| 一级毛片精品| 国产深夜福利视频在线观看| 亚洲性夜色夜夜综合| 成人黄色视频免费在线看| 国产精品一区二区在线不卡| 亚洲精品在线美女| 热99久久久久精品小说推荐| 大香蕉久久成人网| 人人妻人人添人人爽欧美一区卜| 天堂俺去俺来也www色官网| av视频免费观看在线观看| 69av精品久久久久久 | 可以免费在线观看a视频的电影网站| 91精品伊人久久大香线蕉| 欧美亚洲日本最大视频资源| 黄色视频不卡| 精品一区二区三区四区五区乱码| 又黄又粗又硬又大视频| 青春草视频在线免费观看| 精品国产一区二区三区久久久樱花| 亚洲国产av新网站| 无限看片的www在线观看| 国产在线一区二区三区精| 亚洲精品粉嫩美女一区| 一区在线观看完整版| 精品一区二区三区av网在线观看 | 久久久久久人人人人人| 亚洲av电影在线进入| 日本一区二区免费在线视频| 99九九在线精品视频| 日韩制服丝袜自拍偷拍| 国内毛片毛片毛片毛片毛片| 国产成人欧美在线观看 | 人人妻人人添人人爽欧美一区卜| 自线自在国产av| 女性生殖器流出的白浆| 操美女的视频在线观看| 一区二区三区乱码不卡18| 99久久人妻综合| 亚洲av日韩精品久久久久久密| 欧美日韩视频精品一区| 精品国产国语对白av| 嫩草影视91久久| 国产精品.久久久| 最黄视频免费看| 人人妻人人添人人爽欧美一区卜| 热re99久久精品国产66热6| 久久中文看片网| 在线观看免费日韩欧美大片| 日日摸夜夜添夜夜添小说| 亚洲精品国产区一区二| 色94色欧美一区二区| 国产极品粉嫩免费观看在线| 99久久综合免费| 久久久久久久国产电影| 男女之事视频高清在线观看| 正在播放国产对白刺激| 国产高清视频在线播放一区 | 不卡av一区二区三区| 在线观看人妻少妇| av超薄肉色丝袜交足视频| √禁漫天堂资源中文www| 午夜激情av网站| 久久精品国产亚洲av香蕉五月 | 亚洲七黄色美女视频| av又黄又爽大尺度在线免费看| 免费在线观看视频国产中文字幕亚洲 | 国产成人精品久久二区二区91| 91麻豆av在线| 亚洲成人免费电影在线观看| 亚洲精品美女久久av网站| 精品国产乱码久久久久久小说| 久久 成人 亚洲| 成年av动漫网址| 亚洲av日韩精品久久久久久密| 精品久久久久久电影网| 一边摸一边抽搐一进一出视频| 日韩电影二区| 国产成人精品无人区| 国产亚洲欧美精品永久| 九色亚洲精品在线播放| 91精品三级在线观看| 国产欧美日韩一区二区精品| 99久久99久久久精品蜜桃| 涩涩av久久男人的天堂| 亚洲精品日韩在线中文字幕| 人人澡人人妻人| 在线亚洲精品国产二区图片欧美| 日韩熟女老妇一区二区性免费视频| 女警被强在线播放| 国产精品熟女久久久久浪| 日韩欧美一区视频在线观看| 久久久久国内视频| 啦啦啦视频在线资源免费观看| 久久精品国产a三级三级三级| 叶爱在线成人免费视频播放| av一本久久久久| 日韩一区二区三区影片| 大香蕉久久网| 操美女的视频在线观看| 精品少妇一区二区三区视频日本电影| 国产在线免费精品| 中文精品一卡2卡3卡4更新| 精品福利观看| 日韩,欧美,国产一区二区三区| 精品国产一区二区久久| 欧美日韩av久久| 欧美老熟妇乱子伦牲交| 老司机午夜十八禁免费视频| 狂野欧美激情性bbbbbb| 国产在线免费精品| 女人精品久久久久毛片| 男男h啪啪无遮挡| av天堂在线播放| 一区二区日韩欧美中文字幕| 亚洲精品自拍成人| 久久国产亚洲av麻豆专区| 涩涩av久久男人的天堂| 一区二区三区精品91| 免费在线观看日本一区| 精品国产一区二区三区四区第35| 免费观看a级毛片全部| 色播在线永久视频| 国产主播在线观看一区二区| 99香蕉大伊视频| 丝袜美足系列| 久久天堂一区二区三区四区| 99热国产这里只有精品6| 91九色精品人成在线观看| 日韩视频在线欧美| 久久精品人人爽人人爽视色| 国产黄色免费在线视频| 成年人黄色毛片网站| 伊人久久大香线蕉亚洲五| 亚洲少妇的诱惑av| 日韩 欧美 亚洲 中文字幕| 亚洲久久久国产精品| 视频区欧美日本亚洲| 又大又爽又粗| 精品久久久久久电影网| 国产片内射在线| 色播在线永久视频| 国产亚洲av高清不卡| 精品人妻一区二区三区麻豆| 欧美黑人精品巨大| 国产男女超爽视频在线观看| 最近最新免费中文字幕在线| 女人精品久久久久毛片| 人人妻人人添人人爽欧美一区卜| 色婷婷久久久亚洲欧美| 热99久久久久精品小说推荐| 色婷婷av一区二区三区视频| 欧美日韩黄片免| 成人亚洲精品一区在线观看| 久久午夜综合久久蜜桃| 精品亚洲乱码少妇综合久久| 久久精品成人免费网站| 精品卡一卡二卡四卡免费| 精品国产一区二区三区四区第35| 国产成人av教育| 免费在线观看视频国产中文字幕亚洲 | 国产精品久久久久久人妻精品电影 | 啦啦啦在线免费观看视频4| 久久久国产欧美日韩av| 亚洲熟女精品中文字幕| 欧美精品啪啪一区二区三区 | 日本猛色少妇xxxxx猛交久久| 国产一级毛片在线| 国产成人精品无人区| 高潮久久久久久久久久久不卡| www.自偷自拍.com| 国产黄频视频在线观看| 成年人午夜在线观看视频| 国产在线视频一区二区| 大码成人一级视频| 三上悠亚av全集在线观看| 亚洲一码二码三码区别大吗| 啦啦啦在线免费观看视频4| 美女午夜性视频免费| 亚洲色图 男人天堂 中文字幕| 丰满少妇做爰视频| 久久av网站| 18禁黄网站禁片午夜丰满| 女性被躁到高潮视频| 人人妻人人爽人人添夜夜欢视频| 国产激情久久老熟女| 久久久久久久大尺度免费视频| 51午夜福利影视在线观看| 50天的宝宝边吃奶边哭怎么回事| 日韩 欧美 亚洲 中文字幕| 人妻一区二区av| a级毛片在线看网站| 中文字幕高清在线视频| 99精品欧美一区二区三区四区| 夜夜夜夜夜久久久久| 欧美成人午夜精品| 日韩欧美免费精品| 人人妻人人添人人爽欧美一区卜| 精品国产一区二区三区四区第35| 男人操女人黄网站| 在线 av 中文字幕| 国产免费现黄频在线看| 久久人人爽av亚洲精品天堂| 少妇精品久久久久久久| 亚洲天堂av无毛| 男人爽女人下面视频在线观看| 精品人妻熟女毛片av久久网站| 少妇人妻久久综合中文| 精品国产超薄肉色丝袜足j| 亚洲九九香蕉| 国产成人免费无遮挡视频| 日韩精品免费视频一区二区三区| 在线av久久热| 18禁观看日本| 亚洲美女黄色视频免费看| 在线十欧美十亚洲十日本专区| 日韩三级视频一区二区三区| 免费久久久久久久精品成人欧美视频| 精品人妻一区二区三区麻豆| 日本一区二区免费在线视频| 欧美日韩黄片免| 亚洲一码二码三码区别大吗| 午夜福利影视在线免费观看| 99国产精品免费福利视频| 亚洲国产欧美在线一区| 精品亚洲成a人片在线观看| 欧美日韩成人在线一区二区| 九色亚洲精品在线播放| 久久99一区二区三区| 一区二区三区四区激情视频| kizo精华| www.精华液| 97在线人人人人妻| 在线观看免费午夜福利视频| 亚洲精品国产区一区二| 久久精品成人免费网站| 老熟妇乱子伦视频在线观看 | 亚洲欧美日韩高清在线视频 | 国产成人精品无人区| 91精品伊人久久大香线蕉| 国产精品久久久人人做人人爽| 99久久精品国产亚洲精品| 超碰97精品在线观看| 亚洲一码二码三码区别大吗| 欧美人与性动交α欧美软件| 天天添夜夜摸| 日日摸夜夜添夜夜添小说| 久久天堂一区二区三区四区| 午夜久久久在线观看| 乱人伦中国视频| 国产av又大| 午夜激情av网站| 精品久久久久久久毛片微露脸 | 精品一品国产午夜福利视频| 国产区一区二久久| 亚洲伊人色综图| 91国产中文字幕| 国产老妇伦熟女老妇高清| 国产精品一区二区在线观看99| 青春草亚洲视频在线观看| 久久国产精品男人的天堂亚洲| 黄色片一级片一级黄色片| 国产日韩欧美视频二区| 亚洲激情五月婷婷啪啪| 老司机影院成人| 日韩视频一区二区在线观看| 99久久综合免费| 亚洲精品美女久久久久99蜜臀| 91麻豆av在线| 伊人久久大香线蕉亚洲五| 两性夫妻黄色片| 国产精品一区二区精品视频观看| 狠狠狠狠99中文字幕| 中文字幕av电影在线播放| 精品一品国产午夜福利视频| 高清av免费在线| 极品少妇高潮喷水抽搐| 一区二区av电影网| www.自偷自拍.com| 18禁黄网站禁片午夜丰满| 动漫黄色视频在线观看| 汤姆久久久久久久影院中文字幕| 国产精品1区2区在线观看. | 国产成人系列免费观看| 一本—道久久a久久精品蜜桃钙片| 妹子高潮喷水视频| 欧美日韩成人在线一区二区| 亚洲熟女毛片儿| 老司机影院毛片| 中文字幕av电影在线播放| 精品乱码久久久久久99久播| 亚洲国产精品一区三区| 热99久久久久精品小说推荐| 男女国产视频网站| 热99久久久久精品小说推荐| 欧美精品av麻豆av| 宅男免费午夜| 国产精品欧美亚洲77777| 国产精品麻豆人妻色哟哟久久| 一进一出抽搐动态| 纯流量卡能插随身wifi吗| 亚洲五月婷婷丁香| 亚洲精品在线美女| 亚洲色图 男人天堂 中文字幕| 亚洲精品一卡2卡三卡4卡5卡 | 王馨瑶露胸无遮挡在线观看| 午夜福利免费观看在线| 啦啦啦在线免费观看视频4| 高清视频免费观看一区二区| 欧美另类一区| 国产欧美日韩一区二区三 | tube8黄色片| 免费不卡黄色视频| 十八禁高潮呻吟视频| 精品国产乱码久久久久久小说| 国产精品久久久久久精品古装| 超色免费av| 97人妻天天添夜夜摸| 大型av网站在线播放| 一本久久精品| 亚洲人成77777在线视频| 日日夜夜操网爽| 美女高潮喷水抽搐中文字幕| 亚洲欧美日韩高清在线视频 | 男人操女人黄网站| 午夜视频精品福利| 日本一区二区免费在线视频| 亚洲av成人不卡在线观看播放网 | 午夜影院在线不卡| av网站在线播放免费| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲国产av新网站| 精品亚洲成a人片在线观看| 极品人妻少妇av视频| 伊人久久大香线蕉亚洲五| 操出白浆在线播放| 亚洲 国产 在线| 日本一区二区免费在线视频| 成年av动漫网址| 在线观看免费午夜福利视频| 亚洲av成人不卡在线观看播放网 | 青春草视频在线免费观看| 亚洲国产欧美在线一区| 国产主播在线观看一区二区| 欧美国产精品一级二级三级| 亚洲精品一二三| 国产片内射在线| 国产欧美日韩一区二区三 | 日韩 欧美 亚洲 中文字幕| 欧美一级毛片孕妇| 日韩精品免费视频一区二区三区| 男女高潮啪啪啪动态图| 91麻豆精品激情在线观看国产 | 黄色视频不卡| 丝袜美足系列| 国产亚洲精品久久久久5区| 午夜91福利影院| 免费高清在线观看日韩| 国产亚洲精品一区二区www | 亚洲情色 制服丝袜| 久久中文看片网| 欧美久久黑人一区二区| 91精品三级在线观看| 久久久久久久久免费视频了| 黄色视频不卡| 黑人操中国人逼视频| 老司机影院毛片| 精品久久久精品久久久| 精品国产一区二区三区久久久樱花| 精品久久久精品久久久| 最近最新中文字幕大全免费视频| 国产精品一区二区精品视频观看| 免费看十八禁软件| 欧美亚洲日本最大视频资源| 日韩有码中文字幕| 精品亚洲成a人片在线观看| 日本wwww免费看| 久久久久久久国产电影| 日本wwww免费看| 在线亚洲精品国产二区图片欧美| 三级毛片av免费| 精品人妻1区二区| 成人国语在线视频| 午夜福利乱码中文字幕| 国产高清videossex| 国产又色又爽无遮挡免| 久久影院123| 人人妻人人爽人人添夜夜欢视频| 久久国产亚洲av麻豆专区| 精品久久久久久久毛片微露脸 | 中文字幕人妻丝袜一区二区| 国精品久久久久久国模美| 亚洲av日韩精品久久久久久密| netflix在线观看网站| 最近中文字幕2019免费版| 黑人操中国人逼视频| 中文字幕人妻丝袜制服| 在线十欧美十亚洲十日本专区| 久久精品国产亚洲av高清一级| 下体分泌物呈黄色| 亚洲精品久久久久久婷婷小说| 日韩中文字幕欧美一区二区| 成人手机av| 亚洲精品国产av蜜桃| av福利片在线| 老司机靠b影院| 在线观看免费午夜福利视频| 国产亚洲av片在线观看秒播厂| 777米奇影视久久| 日韩精品免费视频一区二区三区| 两个人看的免费小视频| 日韩熟女老妇一区二区性免费视频| 91精品国产国语对白视频| 视频区欧美日本亚洲| 精品国产国语对白av| 大陆偷拍与自拍| 亚洲欧美一区二区三区久久| 免费女性裸体啪啪无遮挡网站| 丝袜脚勾引网站| 国产黄色免费在线视频| 久久久久久久大尺度免费视频| 极品人妻少妇av视频| 国产成人系列免费观看| 免费av中文字幕在线| 一级毛片电影观看| 亚洲精品久久成人aⅴ小说| 午夜久久久在线观看| 国产精品香港三级国产av潘金莲| 国产高清videossex| 亚洲,欧美精品.| 黄色a级毛片大全视频| 一二三四社区在线视频社区8| 午夜免费鲁丝| 叶爱在线成人免费视频播放| 国产精品一区二区精品视频观看| 亚洲天堂av无毛| 午夜免费成人在线视频| 一级片'在线观看视频| 在线永久观看黄色视频| 我的亚洲天堂| 久久国产精品大桥未久av| 丰满少妇做爰视频| 亚洲国产精品一区二区三区在线| 秋霞在线观看毛片| 久久久国产成人免费| 丁香六月天网| 欧美国产精品一级二级三级| 久久久水蜜桃国产精品网| 在线观看舔阴道视频| 男女免费视频国产| 一级黄色大片毛片| 男人操女人黄网站| 午夜福利视频在线观看免费| 亚洲国产中文字幕在线视频| 国产精品二区激情视频| 99九九在线精品视频| 欧美精品一区二区大全| 婷婷色av中文字幕| 一本色道久久久久久精品综合| 久久精品国产亚洲av香蕉五月 | 男女高潮啪啪啪动态图| 亚洲精品国产精品久久久不卡| 亚洲精品国产av成人精品| 一级,二级,三级黄色视频| 每晚都被弄得嗷嗷叫到高潮| 日韩中文字幕视频在线看片| 国产一卡二卡三卡精品| 99久久综合免费| 人成视频在线观看免费观看| 欧美日韩黄片免| 99热网站在线观看| 久久天堂一区二区三区四区| 色播在线永久视频| 久久天躁狠狠躁夜夜2o2o| 免费在线观看影片大全网站| 日韩中文字幕视频在线看片| 亚洲男人天堂网一区| 亚洲成人手机| 一级片免费观看大全| 国产成人欧美| 亚洲精品乱久久久久久| 亚洲男人天堂网一区| 王馨瑶露胸无遮挡在线观看| 一级,二级,三级黄色视频| 国产欧美日韩一区二区三区在线| 亚洲第一欧美日韩一区二区三区 | 国产成人精品在线电影| 国产精品一区二区精品视频观看| 国产极品粉嫩免费观看在线| 久久精品熟女亚洲av麻豆精品| 午夜免费鲁丝| 亚洲欧美一区二区三区黑人| 亚洲精品中文字幕在线视频| 日韩中文字幕视频在线看片| 亚洲成av片中文字幕在线观看| 国产亚洲精品一区二区www | 母亲3免费完整高清在线观看| 丝袜在线中文字幕| 国产男人的电影天堂91| 91精品三级在线观看| 欧美人与性动交α欧美软件| 两性夫妻黄色片| av在线老鸭窝| 色视频在线一区二区三区| 国产av精品麻豆| 99热全是精品| 精品久久久久久电影网| 国产不卡av网站在线观看| 精品高清国产在线一区| 亚洲精华国产精华精| 男人舔女人的私密视频| 黑人猛操日本美女一级片| 视频区欧美日本亚洲| 九色亚洲精品在线播放| 久久久精品国产亚洲av高清涩受| 人妻 亚洲 视频| 国产成人免费无遮挡视频| 亚洲av欧美aⅴ国产| 每晚都被弄得嗷嗷叫到高潮| 欧美日韩亚洲国产一区二区在线观看 | 久久精品国产综合久久久| 一级片免费观看大全| 伊人久久大香线蕉亚洲五| 亚洲欧洲日产国产| 一个人免费在线观看的高清视频 | 国产免费福利视频在线观看| 欧美日韩黄片免| 国产男人的电影天堂91| 欧美激情极品国产一区二区三区| 午夜激情av网站| 午夜老司机福利片| 一区二区日韩欧美中文字幕| 亚洲国产欧美网| 丝袜人妻中文字幕| 极品少妇高潮喷水抽搐| 久久久久久久久免费视频了| 亚洲欧美一区二区三区黑人| 欧美日韩亚洲高清精品| 2018国产大陆天天弄谢| 视频区欧美日本亚洲| 亚洲欧美日韩另类电影网站| 亚洲免费av在线视频| 亚洲成av片中文字幕在线观看| 在线十欧美十亚洲十日本专区| 99精品久久久久人妻精品| h视频一区二区三区| 免费一级毛片在线播放高清视频 | 9色porny在线观看| 国产免费福利视频在线观看| 三上悠亚av全集在线观看| 免费av中文字幕在线| 国产男女超爽视频在线观看| 激情视频va一区二区三区| 亚洲国产欧美在线一区| 五月开心婷婷网| 精品少妇一区二区三区视频日本电影| 最新在线观看一区二区三区| 老汉色av国产亚洲站长工具| 成年人午夜在线观看视频| 国产国语露脸激情在线看| 国产av一区二区精品久久| 欧美乱码精品一区二区三区| tocl精华| 日韩欧美一区视频在线观看| 丰满少妇做爰视频| 欧美日韩视频精品一区| 一区二区日韩欧美中文字幕| 咕卡用的链子| 成人黄色视频免费在线看| 欧美 亚洲 国产 日韩一| 国产av又大| 久久精品aⅴ一区二区三区四区| 国产免费一区二区三区四区乱码| 在线观看免费日韩欧美大片| 精品一区二区三卡| 99国产精品99久久久久| 久久久久国内视频| 天天影视国产精品| 91精品国产国语对白视频| 亚洲人成电影观看| 国产真人三级小视频在线观看| 亚洲中文日韩欧美视频| 青草久久国产| 国产淫语在线视频| 咕卡用的链子| 欧美人与性动交α欧美精品济南到| 欧美黑人精品巨大| 国产在视频线精品| av福利片在线| 亚洲成人国产一区在线观看| 欧美精品啪啪一区二区三区 | 丝袜在线中文字幕| 男女高潮啪啪啪动态图| 国产伦人伦偷精品视频| 91字幕亚洲| 青青草视频在线视频观看| av网站免费在线观看视频| 午夜免费成人在线视频| 亚洲精品久久午夜乱码| 视频在线观看一区二区三区| 少妇精品久久久久久久|